多智能体协作有一个不太体面的真相：智能体之间传的话，大部分是废话。检索结果被 A 复述一遍、B 再复述一遍，每轮讨论都把同样的证据往所有人的上下文里塞一遍，真正稀少、真正能定胜负的那条信息，反而被这些复读机式的消息挤出视野。10 月 17 日提交的 arXiv 论文 2610.24718 给出的解法听起来有点反向思维——不是传得更多、更聪明，而是把抑制做进通信层。
这篇由 Siboni、Springer 与 Rostami 三位作者完成的论文，标题里带着明显的跨界痕迹：受神经科学启发的抑制性消息传递。灵感来自皮层回路的一个工作原则——抑制可以选择性地压住共享的强输入，同时保住回路对微弱信号的敏感度。搬到多智能体场景里，重复出现的信息就是那个该被压住的强输入，而每个人视角里独有的冷门证据，才是不能被淹没的弱信号。
具体机制拆开看是三个动作。每轮通信前，路由层把智能体消息里复述的证据句拆出来，逐句、逐接收者地比对：这条证据对方自己的上下文里有没有？有，就取消投递；没有，才送过去，而且每条证据对每个接收者最多送达一次。同时被拦下的还有发送者自己的推理过程和中间答案——这些主观内容不随证据转发，避免一家之言顺着通信链路污染整个群组。整个过程不需要训练任何模型，它就是一层架在消息通道上的过滤器。
数字相当可观。在与标准消息传递的对照中，同行群组（peer groups）在三个基准上的准确率提升了 39 到 77 个百分点，同时每轮运行的词元开销下降 10% 到 46%——又准又省，两个方向同时改善，这在多智能体论文里不算常见。适用范围的检查也做得比较扎实：七款四 billion 到三十二 billion 参数的开源模型加上两款商用模型、最多六十四个智能体的群组、点对点、编排者-执行者与多层层级三种架构，增益全部成立。
把这条线放进本站近一个月跟踪的多智能体通信改进谱系里看，位置很清楚：ScaleMAS（1970）在共享消息库上做发布与检索的规范，Muffin（2105）用异步共享缓冲替代同步轮流发言，两者都在改通信的「时序与结构」；而 2610.24718 动的是「内容密度」——不管你怎么组织通道，复读就是复读，压掉它收益立现。三种思路并不互斥，甚至可能最终叠在同一个运行时里。
冷水照例要端上来。三个基准全部来自论文自报，具体是哪些协作任务、任务难度分布如何，摘要层面没有展开；「证据句」这个粒度依赖消息能被干净地拆解，真实业务里人机混杂的对话未必这么整齐；六十四个智能体的群组规模离生产环境的上百上千还差着量级。另外，取消发送者推理与答案的做法在提效的同时，也可能丢掉一些有价值的思路碰撞——论文没有量化这笔潜在损失。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。值得盯的观察哨有两个：这套过滤器会不会被主流框架做成可选组件，以及它在工具调用密集型任务里的表现是否依然成立。